YOLOvME : La révolution numérique des forêts

Stefano Puliti est chercheur en télédétection forestière à l'Institut norvégien de recherche en bioéconomie (NIBIO) dans le département de l'inventaire forestier national. Le NIBIO est l'un des plus grands instituts de recherche en Norvège, avec environ 700 employés. Il contribue à la sécurité alimentaire, à la gestion durable des ressources, à l'innovation et à la création de valeur par le biais de la recherche et de la production de connaissances.

Dans ses recherches, des drones et d'autres techniques de télédétection de proximité telles que la numérisation laser mobile sont utilisés pour produire des analyses avancées nécessaires pour répondre aux besoins d'information modernes.

Une grande partie du travail qu'il a effectué a été réalisée dans le cadre du projet SmartForest, qui est un programme de recherche à long terme financé par le Conseil norvégien de la recherche ainsi que par la plupart des acteurs de l'industrie forestière en Norvège. L'objectif de SmartForest est d'améliorer l'efficacité du secteur forestier norvégien en permettant une révolution numérique transformant l'information forestière, la sylviculture, les opérations forestières, l'approvisionnement en bois et le flux global d'informations numériques dans l'industrie.

Stefano a travaillé pendant de nombreuses années avec des applications d'apprentissage automatique plus traditionnelles telles que les forêts aléatoires ou les machines à vecteurs de support. Il y a environ trois ans, il a réalisé qu'il était temps de passer à la vitesse supérieure dans le domaine de l'apprentissage profond, qui est encore en pleine croissance pour le secteur forestier. Depuis qu'il a pris conscience des énormes avantages que les chercheurs peuvent tirer de l'apprentissage profond, Stefano a développé plusieurs applications dans le domaine de la vision par drone et par machine.

Depuis combien de temps utilisez-vous YOLOv5 ?

"Je l'utilise depuis l'été 2021, et je ne l'ai pas abandonné depuis ! Je dois dire que ce fut un coup de foudre grâce à la facilité de mise en route du YOLOv5. C'était extrêmement précieux pour moi car à l'époque, je n'étais pas très familier avec Python et la courbe d'apprentissage peu profonde de YOLOv5 a été le facteur décisif."

Stefano a eu recours à la détection d'objets principalement pour identifier, dans l'imagerie par drone, les arbres en mauvais état de santé en raison de dommages causés par des agents abiotiques (sécheresse, vent, neige) ou biotiques (insectes et champignons). Depuis lors, lui et ses collègues ont développé toute une famille de détecteurs YOLOv5, des nids-de-poule au bord de la route en passant par les détecteurs de verticilles.

« Au moment où je suis tombé sur YOLOv5, j'avais essayé sans succès d'entraîner des détecteurs d'objets dans l'API TensorFlow Object Detection pendant un certain temps. Puis je suis tombé sur le dépôt YOLOv5 et (sans grand espoir) j'ai tenté d'entraîner un détecteur et, à ma grande surprise, j'ai commencé le processus d'apprentissage avec quatre lignes de code. Je ne suis pas sûr qu'on puisse définir cela comme un processus de pensée ou plutôt un coup de chance, mais c'est comme ça que ça a commencé. »

La plupart des modèles sont ensuite déployés sur leur solution cloud (ForestSens) pour fournir des services au secteur forestier. Là, les utilisateurs peuvent télécharger par exemple des images de drones qui sont ensuite transformées en informations exploitables grâce à notre famille de modèles YOLOv5. Certains de leurs détecteurs entraînés sont également déployés en périphérie sur des machines forestières ou sur des camions grumiers.

Depuis le début, Stefano et son équipe développaient toute une série de modèles YOLOv5 destinés à être utilisés pour aider à :

1. Évaluation de la qualité du bois
2. Surveiller les besoins d'entretien des routes forestières
3. Détection de caractéristiques pertinentes pour la biodiversité dans la forêt

De plus, ils envisagent également d'étendre leurs modèles basés sur des drones pour la santé des forêts et l'inventaire à des données d'images aériennes et satellitaires à résolution plus grossière.

Avec les dernières versions de YOLOv5, ils attendent avec impatience la classification d'images et la segmentation sémantique que YOLOv5 peut offrir. Ces capacités étendront leur capacité à résoudre des tâches complexes de vision par ordinateur dans les environnements forestiers.

La facilité de configuration, tant pour l'entraînement des modèles (version docker) que pour le déploiement des modèles, a fait de YOLOv5 une excellente option pour eux.

“L'un des aspects qui m'a toujours fasciné chez Ultralytics est le modèle commercial plutôt nouveau qui repose sur le code open source et propose des produits payants pour que les non-spécialistes puissent accéder à la puissance de l'apprentissage profond. En tant que scientifique, j'apprécie beaucoup l'ouverture d'Ultralytics et je trouve que c'est un excellent moyen d'accélérer le développement du produit. En conséquence, YOLOv5 connaît des améliorations plutôt drastiques en constante évolution grâce à la contribution de nombreux data scientists et praticiens.”

Que recommanderiez-vous à une personne qui débute dans le domaine de l'IA ?

Lors de mes participations à des conférences internationales au cours de l'année écoulée, j'ai constaté que les chercheurs en foresterie sont soit effrayés par la complexité de l'apprentissage profond, soit ne pensent pas qu'il puisse jouer un rôle dans leurs recherches. Dans tous ces cas, j'ai suggéré de prendre une demi-journée d'annotation et d'essayer d'entraîner un YOLOv5 pour comprendre sa puissance et sa simplicité.

Pour le dire avec les mots que j'utilisais réellement : « Votre méthode ne fonctionne pas ? Alors YOLO-isez-la ! »

Si vous souhaitez rester informé du travail de Stefano Puliti, n'hésitez pas à suivre son compte Twitter.

Avez-vous votre propre cas d'utilisation YOLOv5 ?

Identifiez-nous avec #YOLOvME sur nos médias sociaux avec votre propre cas d'utilisation de YOLOv5 et nous ferons la promotion de votre travail auprès de la communauté ML.